arXiv 于 2026 年 5 月 26 日收录了一篇题为《HEAL: Resilient and Self-* Hub-based Learning》（HEAL：具备弹性与自组织特性的基于枢纽的学习框架）的新论文，编号 arXiv:2605.27475v1，归类为机器学习（cs.LG），并交叉列入人工智能（cs.AI）。论文由 Mohamed Amine Legheraba（NPA）领衔，另有五位合作者共同完成，提交时间为 UTC 2026 年 5 月 26 日 11 时 38 分 41 秒，全文约 294 KB，DOI 为 10.48550/arXiv.2605.27475，目前 DOI 注册仍处于待定状态。
论文首先梳理了去中心化学习的价值所在：通过把数据和计算分散到各个节点，这类方法能够提升隐私保护、可扩展性与容错能力。作者指出，联邦学习是当前较为主流的方案，但它依赖一个中心聚合器，因而带来服务器易受攻击、扩展性受限、隐私风险等问题，而其中最关键的隐患是单点故障——一旦中心节点失效，整个训练过程都可能中断。
作为替代路线，Gossip Learning 与 Epidemic Learning 通过节点之间点对点的模型更新交换实现完全去中心化，在鲁棒性和隐私方面表现良好，但代价是模型收敛速度较慢。论文正是在这一背景下提出 HEAL，试图在两类范式之间取得平衡。
HEAL 被作者称为首个跨层去中心化学习框架。它的核心思路是构建一个经过优化的、可自组织且可自愈的底层 P2P 覆盖网络，把联邦学习、Gossip 学习与 Epidemic 学习各自的优势结合起来。具体而言，HEAL 借助近期提出的 Elevator 算法，动态地挑选部分节点提升为聚合器，从而在不设固定中心服务器的情况下获得类似联邦学习的聚合效果。
在评估方面，作者通过仿真实验表明：在没有节点崩溃的环境中，HEAL 的性能与联邦学习相近，同时保持完全去中心化和容错特性；而在容易发生崩溃和节点频繁更替（churn）的环境中，HEAL 的表现优于 Gossip 学习和 Epidemic 学习。论文同时提供了 PDF、实验性 HTML 版本以及 TeX 源码等全文链接，并附有引用与相关文献检索工具入口。
需要注意的是，当前公开信息以摘要为主，HEAL 的具体算法细节、仿真设置与量化指标仍需查阅论文全文；此外，论文成果基于仿真验证，尚未给出真实大规模部署的实测结果。